《AUTOMATION IN CONSTRUCTION》:Intelligent identification and correction of property-related design defects in BIM via large language models
编辑推荐:
•集成式大语言模型框架识别并修正多类别BIM设计缺陷。•采用组件均衡分块技术的BIM转文本方法架起了BIM与大语言模型之间的桥梁。•识别合理性缺陷将多类别能力扩展至85%的准确率。•基于RAG的方法生成的修正建议合理性达94%。•幻觉控制策略在单轮中有效消除92.5%的幻觉。
- •
集成式大语言模型框架识别并修正多类别BIM设计缺陷。
- •
采用组件均衡分块技术的BIM转文本方法架起了BIM与大语言模型之间的桥梁。
- •
识别合理性缺陷将多类别能力扩展至85%的准确率。
- •
基于RAG的方法生成的修正建议合理性达94%。
- •
幻觉控制策略在单轮中有效消除92.5%的幻觉。
引言
为应对现代基础设施日益增长的复杂性并确保信息一致性,建筑信息模型(BIM)技术已在建设工程中被广泛应用[1]。该技术实现了设计、施工和运维阶段多源数据的集成管理,促进了高效的多方协作并提升了项目整体质量[2]。在这些阶段中,设计质量至关重要,因为它从根本上决定了整个项目生命周期的效率和可靠性[3]。
然而,在设计编写、协同和数据交换过程中,BIM模型可能包含各种质量问题,包括信息缺失、参数值异常、不符合规范的属性、几何不一致、空间或关系冲突以及其他模型层面的缺陷[4]。在本研究中,BIM模型中的此类质量问题被称为BIM设计缺陷。其中,信息缺失、参数值异常和不符合规范的属性在BIM元素属性中有明确表示。在本研究中,这些缺陷被称为BIM中与属性相关的设计缺陷。由于BIM元素属性为规范检查、模型交付和下游自动化审查提供主要数据基础,与属性相关的设计缺陷可能直接影响设计质量评估的可靠性。如果这些缺陷在交付前未被识别和修正,它们可能会在施工和运维阶段给项目进度、成本和质量带来下游风险[5]。因此,在设计阶段识别和修正与属性相关的设计缺陷的可靠机制对于设计审查和项目风险控制至关重要。
在工程实践中,设计缺陷识别仍主要依赖于人工检查,而现有的自动化方法仍然有限。目前关于设计缺陷识别的研究主要采用基于规则的方法和碰撞检测方法,两者都存在固有的局限性。基于规则的方法利用自然语言处理[6]、知识图谱[7]和深度学习[8,9]等技术将规范文本解释为可计算的规则,然后基于规则检查进行模型审核。另一方面,碰撞检测方法旨在解决模型内的几何和空间冲突问题。然而,现有的自动化方法通常针对特定的设计缺陷识别任务或检查场景开发。对于基于规则的方法,不同类型的设计缺陷往往需要分别解释、编码和维护相关的检查规则。碰撞检测方法主要面向几何和空间冲突检查,这限制了其扩展到其他设计缺陷识别任务时的适用性。这些局限性对于与属性相关的设计缺陷尤为明显,因为它们的识别不仅依赖于明确的规范阈值,还依赖于组件属性、语义上下文和工程判断。此外,BIM中的许多与属性相关的设计缺陷不仅涉及明确的数值违规,还涉及需要超越明确规范条款的工程判断的合理性相关问题;例如,耐火极限可能被记录为30小时,虽然仍满足下限规范要求,但明显偏离了常规设计实践。同时,碰撞检测缺乏处理与功能、材料或防火相关属性有关的非几何设计缺陷所需的语义支持,这可能导致误报或遗漏相关的设计缺陷[10]。因此,在设计缺陷识别阶段,仅依赖人工检查或传统的自动化检查方法仍然不够,仍需更集成的方法。
除了识别之外,修正设计缺陷在很大程度上仍然依赖于人工流程[11]。目前,修正与属性相关的设计缺陷通常需要跨学科设计团队根据各种建筑规范和丰富的经验进行讨论并制定修正方案,这既耗时又耗资源[12]。然而,关于BIM设计缺陷修正的自动化研究仍然稀缺。因此,工程实践迫切需要能够处理不同类型设计缺陷同时遵循相关规范和标准的自动化修正方法。
大语言模型(LLMs)是人工智能领域近期的一项突破,为应对BIM设计缺陷识别和修正提供了新的机遇。以ChatGPT为代表的模型依赖于对大规模文本语料库的大规模无监督预训练,使其能够获取丰富的语义和世界知识。因此,它们具备强大的自然语言理解能力,能够生成类人的自然语言响应[13]。大量研究已证明,大语言模型具备强大的迁移学习能力,并可通过提示学习、检索增强生成(RAG)和微调等技术进一步提升。这些技术可以加强领域知识的使用并提高对特定任务的适应性,从而使大语言模型更好地解决专门问题[14]。因此,大语言模型为不同类型与属性相关的设计缺陷的集成识别和修正提供了新的可能性。然而,大语言模型在生成过程中容易出现幻觉,即模型可能产生与输入事实不符或语义无关的内容。这一问题严重限制了其在工程设计场景中的应用,因为在这些场景中结果的可靠性至关重要。
综上所述,现有研究仍然缺乏一个用于BIM中与属性相关的多种设计缺陷自动化识别和修正的集成框架。虽然大语言模型为更先进、高效的解决方案提供了潜在可能,但它们在工程中的有效应用依赖于特定领域的适应。因此,我们假设一个集成BIM转文本、提示学习、RAG和幻觉控制的大语言模型集成框架,可以支持从BIM中与属性相关的多种设计缺陷识别到生成可靠修正建议的自动化工作流。然而,鉴于工程应用对高精度和高可靠性的要求,生成过程中的潜在幻觉问题必须得到严格控制[15]。
本研究旨在开发一个基于大语言模型的集成框架,用于BIM中与属性相关的多种设计缺陷的识别和修正,满足工程实践中对智能高效解决方案的实际需求,并最终建立一个可靠的端到端原型。本文其余部分组织如下:第2节回顾了BIM设计缺陷识别和修正的相关研究,并分析了大语言模型在工程设计中的当前应用和局限性。第3节首先介绍了一种采用组件均衡分块技术的BIM转文本方法,以架起BIM模型与大语言模型之间的桥梁。然后,设计了结合规则注入和少样本提示的提示模板,以实现多种设计缺陷类型的统一识别。在此基础上,开发了一种基于RAG的方法来为检测到的设计缺陷生成修正建议,随后是结合关键标识符验证和令牌长度阈值的幻觉控制策略,以缓解潜在的幻觉输出。最后,介绍了用于验证所提出方法的实验设置。第4节展示了实验结果并提供了全面的讨论。第5节总结全文并概述了未来研究方向。
章节摘要
文献综述
本节建立了BIM中与属性相关的设计缺陷识别和修正的研究背景。首先回顾了设计缺陷的定义和分类,随后介绍了现有的缺陷识别和修正方法以及大语言模型在BIM相关任务中的最新应用。最后一个子节综合了统一多类型缺陷处理、修正建议生成、领域适应和输出可靠性方面仍然面临的挑战,这些挑战促使
方法论
一项相关研究[59]构建了一个基准和BIM衍生数据集,用于评估和微调BIM设计中的大语言模型,并基于Qwen2.5-14B-Instruct开发了领域专用模型Qwen-BIM。该研究表明,与基础模型相比,Qwen-BIM在G-Eval评分上平均提升了21.0%,表现与具有6710亿参数的通用大语言模型相当,为本研究提供了基础资源。这也表明Qwen-BIM已获得了某种程度的
结果与讨论
本节评估了所提出的框架在具有代表性的防火审查场景中的表现,涉及设计缺陷识别、修正建议生成和幻觉控制。展示了相应实验设置下获得的结果,比较了评估模型和方法的性能,并讨论了与观察到的差异相关的主要因素。
结论
BIM设计缺陷仍然是设计审查中的一个持续存在的问题,而当前的识别和修正实践仍然主要依赖人工且效率低下。虽然自动化探索日益增多,但现有研究仍主要关注特定的缺陷类别,尚未在一个循环中实现BIM中与属性相关的多种设计缺陷的识别和修正。为弥补这些不足,本文提出了一个用于多种
CRediT作者贡献声明
Jia-Rui Lin:撰写 – 审查与编辑,撰写 – 初稿,验证,指导,资源,项目管理,方法论,调查,资金获取,形式化分析,数据管理,概念化。Yunhong Cai:撰写 – 审查与编辑,撰写 – 初稿,可视化,验证,软件,调查,数据管理,方法论,形式化分析。Xiang-Rui Ni:可视化,验证,软件,方法论,形式化分析,概念化,撰写
利益冲突声明
作者声明他们没有已知的竞争性经济利益或个人关系可能影响本文所报告的工作。
致谢
作者感谢国家重点研发计划(编号:<2023YFC3804600)和国家自然科学基金(编号:<52378306)提供的财务支持。
Jia-Rui Lin|Yunhong Cai|Xiang-Rui Ni|Peng Pan